基于ARIMA和BP神经网络组合模型的能源消费预测

在单一的ARIMA模型预测的基础上,提出了一种基于ARIMA模型和BP神经网络组合模型,并以广西区1981至2016年的能源消费数据为例,结果表明组合模型的预测精度要优于单一的模型,故利用组合模型对广西区未来能源消费的预测更加有效.     

基于动态无偏灰色马尔科夫模型的煤炭需求量预测

煤炭消费系统是一个复杂的非线性系统,具有随机性、非线性、动态性等特点,科学地预测煤炭消费量及其结构对于优化配置能源有重要意义.传统的单一预测方法预测精度较低.在对陕西省煤炭消费历史数据分析的基础上,构建了煤炭消费总量的GM(1,1)模型、灰色GM(1,1)预测模型和动态无偏的马尔科夫结构预测模型.拟合结果表明,动态无偏灰色马尔科夫模型既能消除传统灰色GM(1,1)模型的固有偏差,又能提高预测精度,其平均相对误差为2.10%,分别低于传统灰色GM(1,1)模型和一般灰色马尔科夫模型的17.37%和6.37%,可用于煤炭需求的预测,在此基础上对陕西省2017-2025年煤炭消费进行了预测,为未来能源消费发展规划提供依据.     

基于组合模型的我国能源需求预测

在信息不完备条件下如何有效预测能源消费总量以把握宏观经济发展趋势,是制定能源规划的基础内容.伴随我国成为全球经济增长重要引擎,能源消费量越来越大,能源安全问题也备受关注.选用灰色系统模型、三次指数平滑模型和BP神经网络模型三种预测模型,应用Shapley值权重分配法确定各预测模型的权重,从而构建组合预测模型并对我国能源消费进行组合预测.在保持过去发展规律基本不变的条件下,2014年能源需求总量为383,718.16万吨标准煤,到2020年将达462,089.33万吨标准煤.2013-2020年能源需求总量年均增长率为3.38%.     

GM(1,N)与GM(0,N)模型在能源消费碳排放预测中的比较研究

近年来,减少碳排放已成为缔约国家社会经济发展和生产经营活动的重要目标之一,研究并使用科学的方法对我国未来碳排放进行分析与预测对我国应对气候变化政策的制定具有重要意义.拟将GM(1,N)和GM(0,N)模型用于能源消费碳排放量的预测,建立能源消费碳排放量的多因素灰色预测模型,并对GM(1,N)和GM(0,N)模型预测能源消费碳排放量的精度进行了检验和对比分析.结果表明:在对四川省能源消费碳排放预测中,GM(0,N)具有更高的预测精度和可靠性.     

优化能源消费结构对河北省碳强度目标实现的贡献潜力分析

本文首先运用情景预测方法预测河北省未来地区生产总值和能源消费总量;然后构建马尔科夫链模型预测河北省未来能源消费结构,并对计算的平均转移概率矩阵进行优化;最后分不同组合情景评估能源消费结构优化对河北省二氧化碳排放强度目标的贡献潜力。结果表明:各种组合情景能源消费结构调整都能在不同程度上促进碳强度下降,对实现碳强度目标具有不同程度的贡献潜力。但是,在最理想状态下贡献潜力也只有16.7%~17.8%。因此,能源消费结构优化对碳强度目标贡献潜力作用有限,仅依靠能源结构优化无法完全实现碳强度目标,必须靠政府、企业以及社会各界一致努力,采取一系列对策才能顺利实现河北省“十三五”能源规划中制定的碳强度目标。     

中国能源消费预测灰色建模法

选取2001—2007年中国能源消费实际值为依据,应用灰色系统理论建立煤炭能源和能源消费总量GM(1,1)预测模型,并分别进行精度检验和对比分析.检验结果表明:所建立的预测模型均为一级精度,适合于具有灰色特征的能源消费原始数据序列的模拟和预测分析.通过预测模型的计算结果可以知道:中国煤炭能源和能源消费总量呈指数增长规律,2008—2012年期间分别以16.33%和14.94%的速度增长,在整体能源消费结构中,煤炭能源所占比例将以0.29%的速度增长(为合理规划我国未来的能源消费战略,制定能源供应短缺和能源环境污染对策).     

最佳灰色回归组合模型及其在中国火灾预测中的应用

火灾每年给国家和人民生命财产造成巨大损失.火灾现象具有随机性、模糊性,是个复杂的灰色系统行为.研究火灾发生规律及发展趋势,具有实用价值.为此,首先给出最小二乘估计(LSE)意义下的最佳组合预测模型的定义,并求得组合模型的权的公式和证明权的唯一性.其次,用回归分析方法建立多个回归模型,并按以下三条标准:①回归指数(或相关系数)r大、②系统误差s小、③模型精度p高,选定最佳非线性回归模型;用灰色理论建立多个灰色模型,并按以下三条标准:①后验差比值c小、②小误差概率P大、③预测关联度ξ大,选定最佳灰色模型;再用最小二乘法将最佳回归模型与最佳灰色模型有机地结合起来建立的中国火灾最佳灰色回归组合预测模型.最佳灰色回归组合预测模型综合利用前两者提供的不同的有用信息,改善了单一模型的局限性,提高了模型的预测精度,减少了预测误差,使预测效果更佳.组合模型预测中国年火灾起数处于动态增长过程.     

我国低碳经济发展机制的系统动力学建模

在分析了低碳经济系统复杂结构特征及动态反馈关系的基础上,建立了低碳经济系统动力学模型并进行了仿真模拟,研究表明:技术进步、产业调节政策对降低碳排放具有显著影响,提高能源效率是低碳发展的重要举措,制度建设是低碳发展的基础设施.从政策层面上,应通过调整能源结构,发展新能源和可再生能源;改变经济增长方式,调整产业结构,优先发展高新科技产业、服务业等第三产业;引导消费方式的改变,减少能源消耗,实现低碳发展.     

中国碳排放与能源消费关系实证研究——基于VEC模型

中国碳减排问题成为世界关注的焦点问题.研究碳排放与能源消费关系有助于实现2020年碳减排目标.选取1953-2008年中国碳排放和能源消费数据,运用协整理论、向量误差修正模型(VEC)和Granger因果关系分析,对中国碳排放量与能源消费之间的相互关系进行实证研究.研究结果表明:碳排放与能源消费之间存在协整关系,能源消费增加1%,碳排放将增加0.9646%,即碳排放对能源消费的长期弹性为0.9646.从短期误差修正模型来看,碳排放与能源消费之间具有动态调整机制.非均衡误差项的存在,能够保证两者之间长期均衡关系的存在.Granger因果关系研究表明:碳排放与能源消费之间互为双向因果关系.通过脉冲函数和方差分解分析了模型的动态特征.根据研究结果,提出降低能源消费和减少碳排放对策.     

基于ARIMA模型的山西省能源消费的预测分析

通过对1985-2010年山西省能源消费总量数据序列的分析,建立了ARIMA(1,1,1)模型.结果显示:模型对原始数据的拟合程度较好,模型的预测误差小,可用于中短期预测.     

中国能源消费的EMD分析与预测

基于EMD分析,结合SVM方法构建了中国能源消费的预测模型,提供了一种新的能源消费预测思路.研究结果表明,到2020年我国能源消费量3027百万吨油当量,低于IEA2010能源展望中的预测结果.在低碳经济、节能减排已成为国际政治领域热点议题的背景下,采用定量的方法对中国能源消费状况进行分析与预测,有利于分析中国的国际政治压力及中国能源企业海外投资.     

Electricity consumption prediction using a neural-network-based grey forecasting approach

Electricity consumption is an important economic index and plays a significant role in drawing up an energy development policy for each country. Multivariate techniques and time-series analysis have been proposed to deal with electricity consumption forecasting, but a large amount of historical data is required to obtain accurate predictions. The grey forecasting model attracted researchers by its ability to characterize an uncertain system effectively with a limited number of samples. GM(1,1) is the most frequently used grey forecasting model, but its developing coefficient and control variable were dependent on the background value that is not easy to be determined, whereas a neural-network-based GM(1,1) model called NNGM(1,1) has been presented to resolve this troublesome problem. This study has applied NNGM(1,1) to electricity consumption and has examined its forecasting ability on electricity consumption using sample data from the Turkish Ministry of Energy and Natural Resources and the Asia–Pacific Economic Cooperation energy database. Experimental results demonstrate that NNGM(1,1) performs well.     

深圳市供水量的最优组合预测

城市供水系统是一个复杂的大系统,供水量受多种因素的共同影响。本文以深圳市最近20多年的供水量历史数据为基础,建立了深圳市供水量的最优组合预测模型。该模型具有较高的预测精度,组合预测的预测效果优于任意一种单一预测的预测效果,供水量预测结果对深圳市未来供水的短期或长期规划能起到重要的宏观指导作用。     

组合模型在我国能源需求预测中的应用

文章首先比较了不同的能源需求预测方法的特点,并选择确定性加随机性时间序列组合模型对我国能源需求进行预测,然后详细介绍了建模的过程,并对模型预测精度和参数稳定性作了评价,结果表明本文采用的组合模型是一种比较有效的预测方法,最后用该模型对我国2004~2020能源需求进行了预测。     

基于小波神经网络的中国能源需求预测模型

通过分析影响我国能源需求的主要因素,建立了基于小波神经网络的需求预测模型.采用定性与定量相结合的方式,分析了影响我国能源需求的主要因素,通过将人口总数、GDP、产业结构变化以及能源消费量的一阶滞后作为输入变量,建立基于小波神经网络的我国能源需求非线性预测模型.实验结果表明,该非线性预测模型与多元回归模型相比更加合理,具有更高的预测精度.     

基于指数支撑度的最优组合预测模型及其性质研究

在支撑度定义的基础上,提出平均指数支撑度、平均离散度等概念,构建了平均指数支撑度最优组合预测模型,并考虑其等价的平均离散度最优组合预测模型.针对该模型,提出优性组合预测等概念,给出了非劣性组合预测和优性组合预测存在的充分条件、冗余预测方法的存在性和冗余信息的判定等结果,最后的实例说明了该模型的有效性.     

北京市水资源利用建模分析研究

以北京市为例,分别应用无偏灰色GM(1,1)模型和非线性模型对北京市2001年-2010年的用水量进行了建模,利用最优化方法,计算了上述两种模型的最优组合模型,通过三种模型分别计算了北京市2001年-2010年的水资源利用量,并与北京市2001年-2010年的实际用水量进行了对比,采用精度检验方法,分别对无偏灰色模型,非线性模型和组合模型进行了精度检验,计算结果表明,加权组合模型是三种模型中精度最高的模型,通过组合模型计算得出的用水量值与实际水资源利用量相比误差最小,由此得出,可以利用组合模型对北京市未来的水资源利用量进行预测,预测结果可为其他相关研究提供参考.     

灰色时序组合模型及其在地下水埋深预测中的应用

地下水埋深的变化过程是一个复杂的非线性过程,这种具有复杂的非线性组合特征的序列,使用某一种模型进行预测,结果往往不理想.在分析了灰色GM(1,1)模型、灰色GM(1,1)周期性修正模型和时序AR(n)模型的优点和缺点基础上,提出了一种新的灰色时序组合预报模型.该方法利用了GM预测所需原始数据少、方法简单的优点,用周期修正方法反映其地下水位埋深周期性波动的特征,用AR(n)模型预报其地下水位埋深的随机变化.实例研究表明,这种方法方便简洁实用且预测结果接近于实际观测值,为其它地区的地下水位埋深和相关时间序列的分析研究提供参考与借鉴作用.     

“新常态”下的中国天然气消费分析及预测

作为一种优质、高效的绿色能源,天然气在中国能源结构中所占比重逐渐增加。但可再生能源的崛起使得天然气成为过渡能源的选择,天然气消费量的增长趋势不明晰,因此相关企业及部门需要合理、准确的天然气需求预测模型为未来的工作提供指导性信息。基于此,本文首先从经济水平、产业结构、能源结构、天然气价格等方面选取影响天然气消费的12个因素。其次,运用贝叶斯模型平均(BMA)法构建了一个包含相关文献中常用的6个影响因素的基准模型,针对该模型,围绕影响天然气消费量的各种因素,以逐个添加的方式建立对比模型,从备选模型中选出预测精度最高的对未来天然气消费量进行预测。最后,将BMA模型与ARIMA模型、ETS模型、BVAR模型、逐步回归模型以及等权重加权平均模型的预测精度进行对比。结果表明,最优的BMA模型包含了涉及经济水平、产业结构、能源结构、人口因素、天然气价格、天然气供给六个方面9个影响因素,其预测精度优于对比预测模型,且该模型预测 2022年天然气消费量将达到3254.153亿立方米,年均增长率为8%。     

Hybrid evolutionary algorithms in a SVR traffic flow forecasting model

Accurate urban traffic flow forecasting is critical to intelligent transportation system developments and implementations, thus, it has been one of the most important issues in the research on road traffic congestion. Due to complex nonlinear data pattern of the urban traffic flow, there are many kinds of traffic flow forecasting techniques in literature, thus, it is difficult to make a general conclusion which forecasting technique is superior to others. Recently, the support vector regression model (SVR) has been widely used to solve nonlinear regression and time series problems. This investigation presents a SVR traffic flow forecasting model which employs the hybrid genetic algorithm-simulated annealing algorithm (GA-SA) to determine its suitable parameter combination. Additionally, a numerical example of traffic flow data from northern Taiwan is used to elucidate the forecasting performance of the proposed SVRGA-SA model. The forecasting results indicate that the proposed model yields more accurate forecasting results than the seasonal autoregressive integrated moving average (SARIMA), back-propagation neural network (BPNN), Holt-Winters (HW) and seasonal Holt-Winters (SHW) models. Therefore, the SVRGA-SA model is a promising alternative for forecasting traffic flow.